墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
1.6k累计阅读
1.6k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
本文解读下图框中的detection部分 和 没有画出来的分割部分。
注意每个模块右上角的数字，它代表第几个模块，
现在检测和分割的输入都是15, 18, 21个模块的输出（图中圆圈处）。
在代码解读的时候会用[15,18,21]提示需要用到15, 18, 21个模块的输出。
yolov8的实例分割用了yolact中的思想，用网络预测出proto和mask coefficient,
它们俩相乘得到分割图，再用检测框crop出实例分割。
不熟悉yolact的可以参考这里。
检测框用了FCOS中的(l, t, r, b)的思路，anchor-free, 不过还是要预先定义目标框中心点。
分割没有画出来，但是它还是有序号的（模块右上角的数字），标为[22].
Segment: [22] nn/modules/head.py
超级会员免费看
class SegmentDETR中匈牙利算法：端到端目标检测的匹配核心
二分图匹配是端到端目标检测的关键基础概念，其核心原理在于将无序预测与真实标注建立一一对应的最优映射关系。匈牙利算法作为经典解法，凭借全局最优性、多项式时间复杂度和工业级鲁棒性，成为DETR等Transformer检测框架的匹配基石。它通过加权组合分类置信度、边界框回归误差（L1）与广义IoU（GIoU）构建cost矩阵，在目标检测、多目标跟踪及视觉分割等任务中支撑可学习的关系建模。尤其在小物体密集、遮挡严重或噪声干扰强的工业场景中，相比贪心匹配或Sinkhorn近似，匈牙利算法展现出显著的统计稳定性与mAP
Qwen2-VL企业级文档解析系统：自建多模态模型实践指南
视觉语言模型（VLM）作为融合图像与文本理解的核心技术，正从科研实验走向金融、法律、工程等高合规要求的生产场景。其核心原理在于跨模态对齐与联合表征学习，技术价值体现在数据可控、领域适配强、长期成本优。典型应用场景包括合同关键条款抽取、发票结构化识别、工程图纸语义解析等需OCR+布局感知+行业知识的复合任务。本文基于真实百万级文档处理产线，深度解析Qwen2-VL在内网环境下的选型依据、文档感知优化、vLLM推理调优及LoRA轻量微调实践，覆盖PDF渲染陷阱、OCR定制、显存清零审计等工业级细节。
如何用YOLOv8实现图像分割
首先，我们将使用 YOLOv8 官方的预训练模型进行图像分割，然后介绍如何训练自己的分割模型。最后，我们替换掉官方库，用更底层的方式来处理图像分割的输入和输出。
yolov8 源码解读 (part1: backbone, head)
yolov8的backbone, head部分
YOLOv8工业缺陷检测落地实战：CPU部署、数据陷阱与可解释性验证
工业缺陷检测本质是小目标、低对比、强泛化要求的视觉任务，其核心挑战不在模型选型，而在真实产线约束下的鲁棒性实现。YOLOv8作为主流目标检测框架，需突破CPU推理兼容性、工业数据标注失准、边缘部署稳定性三大瓶颈。本文聚焦轴承、螺栓、硅片三类典型零件，解析超分辨率标注、HSV空间增强、形态学重建等数据预处理技术，并提供Ubuntu 20.04纯CPU环境下的ultralytics==8.0.200实操配置、PyQt5 GUI多线程避坑方案及ONNX+OpenVINO轻量部署路径。结合Grad-CAM热力图与缺
OpenPose与YOLOv3级联的手语识别系统实战解析
在计算机视觉领域，姿态估计与目标检测是构建动作理解系统的两大基石。OpenPose通过关键点提取技术捕捉人体骨骼结构，YOLOv3则利用目标检测算法实现手部区域的精准定位，两者级联可形成从视频帧到手语分类的完整识别链路。工程实现中，需解决多模型输出融合、坐标归一化、贝叶斯分类器训练等关键问题，并通过环境配置与参数调优提升系统实时性与准确率。该方案在单人近景手语识别场景中具有落地价值，可为手势交互、无障碍辅助等应用提供低成本技术参考。
超详细！动态规划详解分析（典型例题分析和对比，附源码）
为啥要使用动态规划？什么时候使用动态规划？以下是我的一些理解和心得，如果你感兴趣，就接着往下看吧。 对您有帮助的话记得给我点个赞哟！ 动态规划的基本思想 动态规划（Dynamic Programming,DP）算法通常用于求解某种具有最优性质的问题。在这类问题中，可能会有许多可行解，每一个解都对应一个值，我们希望找到具有最优值的解。 动态规划算法与分治法类似，其基本思想也是将待求解的问题分解成若干个子问题，先求解子问题，然后从这些子问题的解中 得到原有问题的解。与分治法不同的是，动态规划经分解后得到的子问题
QT使用openssl实现RSA加解密
使用openssl生成公私钥，随后用QT对相应的信息进行RSA加解密
BUUCTF--[OGeek2019]babyrop
才学习了基本的ROP流程，到处找题练，不过也没做出来几道题，以这道32位的题作为例题吧。 这道题是BUUCTF上pwn练习题里的[OGeek2019]babyrop。 代码审计 老规矩先checksec一下： 没有canary保护，nx保护开启排除shellcode可能性，FULL RELEO为地址随机化。 观察主函数，先设定了一个闹铃，到时间就会强制退出程序，解除闹铃的方法在上一篇博客中提到过了， 这道题中闹铃函数依然对我们解题起不到什么干扰作用。 主函数的思路大概是：生成一个随机数，把这个随机数作为
104报文解析工具
可选择包含报文的文本文件或日志文件进行解析，可选择按条数范围或时间范围，输出结果可以在报文解析显示区，也可以输出到文件。可以对文本内容的报文文件进行高级分析，包括遥信遥测等通讯数据的具体信息，通讯帧的统计，通讯次数的统计，各种错误的分析，报文的定位功能，传输的文件具体内容等。输入完成后点击工具栏的解析报文按钮或使用右键菜单的解析就可以对报文进行解析。在报文输入区输入待解析报文并解析后，解析结果就显示在报文解析显示区和报文定位展示区及报文定位条目区。当有多条报文解析后，可以通过报文列表树具体定位某条报文。
别再手动算K值了！ZEMAX中两种锥透镜建模方法详解（标准面 vs. 轴锥面）
本文详细解析了ZEMAX中锥透镜的两种建模方法：标准面与轴锥面。通过对比两者的精度、计算效率和适用场景，帮助工程师在激光整形、光束匀化等应用中做出最优选择，并提供了参数设置和异常排查的实用技巧。
量化交易零基础入门教程
特点 从零开始教编程。靠谱的量化交易学习资源稀少，且具有不讲编程、代码较难、过多等不适合新手等问题，本教程中则会从零开始教编程，解决量化入门过难过编程门槛这一问题。 量化与编程相结合。本教程不仅会教编程，而且会尽量结合量化情景，减少“我要做量化交易为什么要看这些用来培训程序员的东西”的愤懑。 简易精炼，快速入门。尽量只讲最核心最常用的知识，助你快速摆脱想学习量化却处处陌生不知所措的茫然的新手阶段。 读前说明 文后会有自测与自学，包括一些额外的延伸自学内容以及稍有难度的自测题目。 最最最基础的股票.
把雷达强度特征融合于 Cartographer的实现流程 ：从地图构建到在线定位
摘要：本文提出在激光SLAM中融合强度特征的方法，解决几何匹配在退化环境中的失效问题。详细介绍了两种高反地图生成方式：离线使用assets_writer工具处理优化轨迹，在线实时累积高反点；以及权重网格的构建与预计算金字塔方法。定位阶段通过加权得分公式融合几何和强度信息，采用自适应缩放策略平衡特征依赖。该方案在不显著增加计算负担的前提下，有效提升了对称环境等退化场景的定位稳定性，对利用人工路标的移动机器人具有实用价值。
Android系统开发工程师面试指南与参考答案
本文整理了Android系统开发工程师面试常见问题与参考答案。核心内容涵盖：1）Framework层定制方法，如修改HAL和系统服务；2）ANR问题分析工具（systrace）与解决方案；3）性能优化实践，包括开机加速和功耗管理；4）四大组件工作机制与应用案例；5）Native崩溃调试技巧。文章强调通过AOSP源码研究、工具使用和项目案例准备来提升面试表现，重点考察应聘者的系统开发深度和实操能力。参考答案均基于实际开发经验，提供可量化的优化成果说明。
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
jdk-8u144-linux-x64.tar.gz.
该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包
锂电池充电器电路设计 里面有电路
锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。
efm32 入门.pdf
本PDF共计22页，介绍的是操作驱动API，下载与否自己斟酌。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
363
扫一扫
